A Soft-Thresholding Operator for Sparse Time-Varying Effects in Survival Models
我们考虑一类具有时间相关效应的Cox模型,这些效应在某些未知时间区域内可能为零,或者简而言之,稀疏时变效应。该模型是特别有用的生物医学研究,因为它方便地描绘了风险因素对生存的影响的逐步演变。从统计学上讲,估计和推断具有稀疏性的无限维函数参数(例如,具有零效应时间间隔的时变效应)提出了巨大的挑战。为了解决这些问题,我们提出了一个新的软阈值算子建模稀疏,分段光滑和连续的Cox时变效应模型中的时变系数。与常用的正则化方法不同,该方法能够同时估计非零时变效应和检测零区域,并构造一种新的包含零区域的稀疏置信区间.这导致了一个更可解释的模型,具有简单的推理过程。我们开发了一个有效的算法在目标函数空间的推理,表明所提出的方法具有所需的理论性质,并通过模拟的方式提出其有限样本性能。我们应用所提出的方法来分析波士顿肺癌幸存者队列的数据,流行病学队列研究调查风险因素对肺癌生存的影响,并获得临床有用的结果。
2022-05-31 stat.ME
Flexible yet Sparse Bayesian Survival Models with Time-Varying Coefficients and Unobserved Heterogeneity
针对生存分析模型难以平衡简单性与灵活性的问题,提出基于贝叶斯分层收缩方法的生存模型,自动确定协变量处理方式,通过高效采样器实现并在模拟与临床数据中验证其优势。
2025-08-21 stat.CO stat.ME
Generating survival times using Cox proportional hazards models with cyclic time-varying covariates, with application to a multiple-dose monoclonal antibody clinical trial
在两项通过多次输注单克隆抗体VRC01预防HIV感染的协调有效性研究中,一个关键目的是评价VRC01的血清浓度(随输注时间周期性变化)是否与HIV感染率相关。在发展这种生存模式时需要进行模拟研究。在本文中,我们考虑模拟事件时间数据与连续的时变协变量,其值随时间变化,通过多个药物管理周期,其对生存的影响变化不同的阈值之前和之后,在每个周期内。后者适应具有零保护生物标志物阈值的设置,高于该阈值,药物根据生物标志物水平提供不同水平的保护,但低于该阈值,药物不提供保护。我们提出了两种模拟方法:一种是基于模拟生存数据下的单剂量方案,首先在多剂量数据汇总之前,另一种是基于模拟生存数据直接下的多剂量方案。我们根据考克斯比例风险模型生成事件发生时间数据,该模型基于反转累积风险函数和用于将风险函数与协变量关联的对数链接函数。该方法的有效性进行了评估,在两组模拟实验。结果表明,所提出的程序在产生符合其循环性质和考克斯比例风险模型假设的数据方面表现良好。
2018-01-25 stat.ME
KAPLAN: Kolmogorov-Arnold Prognostic Learnable Activation Networks for Survival Analysis
University of Cambridge(剑桥大学)
提出KAPLAN-HR模型,利用B样条Kolmogorov-Arnold网络非参数估计条件风险函数,通过深层架构自动捕捉交互和时变效应,并证明其收敛速率仅依赖于表示平滑性,从而缓解维度灾难,在六个临床数据集上达到或超越现有方法。
2026-05-25 cs.AI cs.LG stat.ML
Minorization-Maximization-based Steepest Ascent for Large-scale Survival Analysis with Time-Varying Effects: Application to the National Kidney Transplant Dataset
时变效应模型是一种灵活而强大的工具,用于建模协变量效应的动态变化。然而,在生存分析中,其计算负担随着样本量或预测因子数量的增加而迅速增加。传统的方法在中等样本量和低维数据上表现良好,但不能扩展到海量数据。对国家肾移植数据的分析具有巨大的样本量和大量的预测因子,这违背了任何现有的统计方法和软件。鉴于这些困难,我们提出了一个最小化最大化的最陡上升过程估计的时变效应。利用由基扩展形成的块结构,所提出的过程迭代地更新最佳块方向,沿着该方向,对数偏似然的近似增加被最大化。由此产生的估计确保了上升属性,并作为前一步的细化。所提出的方法的性能进行了检查,通过模拟和应用程序的国家肾移植数据的分析。
2019-12-27 stat.CO stat.ME
Survival Kernets: Scalable and Interpretable Deep Kernel Survival Analysis with an Accuracy Guarantee
本文提出 survival kernet 深度核生存模型,通过扩展 kernel netting 压缩、树集成热启动和神经架构搜索加速实现可扩展、可解释及最优误差保证,并在多数据集上验证竞争力。
2025-02-16 cs.LG stat.ML
Survival analysis for AdVerse events with VarYing follow-up times (SAVVY): Rationale and statistical concept of a meta-analytic study
SAVVY项目通过荟萃分析实证比较标准方法与Aalen-Johansen估计量等生存分析方法在不良事件安全性评估中的结论差异,并给出统一统计框架及R和SAS实现。
2019-11-30 stat.AP
Adjusting for time-varying treatment switches in randomized clinical trials: the danger of extrapolation and how to avoid it
在随机临床试验中选择被估量和估计量时,需要谨慎,因为并发事件,例如-由于患者在疾病进展后转换治疗,通常是极端的。然后,统计分析可能很容易诱使人们做出大量的隐含外推,而这些外推往往被忽视。我们将使用一个真实的肿瘤学病例研究来说明隐式外推的问题,该研究具有右删失的至事件发生时间终点,其中患者可以在疾病进展后出于伦理原因从对照组交叉到实验治疗组。我们通过开发一个生存风险比的估计量来解决这个问题,该估计量将所有患者在每个时间t接受实验性治疗时的生存概率与所有患者在时间t之前接受对照治疗时的生存概率进行对比,使用随机化作为工具变量,以避免依赖于无不可测量混杂因素的假设。这种双重鲁棒估计可以处理时变的治疗开关和右删失生存时间。深入了解背后的估计的基本原理,并通过重新分析肿瘤学试验证明了这种方法。
2023-03-10 stat.AP
Weibull Racing Survival Analysis with Competing Events, Left Truncation, and Time-varying Covariates
本研究提出贝叶斯非参数Weibull代理竞争(WDR)方法用于含竞争事件的生存分析,可处理左截断、时变协变量等复杂情况,通过合成与真实数据实验验证其优异性能与应用价值。
2023-08-24 stat.ME
Survival analysis for AdVerse events with VarYing follow-up times (SAVVY) -- comparison of adverse event risks in randomized controlled trials
SAVVY项目通过生存分析方法处理随访时间不定、删失和竞争事件,比较随机对照试验中不良事件风险,发现估计量选择比数据特征更关键,并建议用Aalen-Johansen估计量替代发生率比例。
2022-09-20 stat.AP
A tutorial on evaluating time-varying discrimination accuracy for survival models used in dynamic decision-making
许多医疗决策涉及使用收集的个体患者的动态信息来预测他们未来健康状况的可能转变。如果开发了准确的预测,那么预后模式可以识别未来不良事件风险最大的患者,并且可以在临床上用于定义适合进行靶向干预的人群。在实践中,预后模型通常用于在疾病过程中的多个时间点指导决策,并且用于区分高风险与低风险个体的分类性能(即灵敏度和特异性)可能随着个体的疾病状态和预后信息的变化而随时间变化。在本教程中,我们将详细介绍当代统计方法,这些方法可以表征用于动态决策时预后生存模型的时变准确性。虽然用于评估具有简单二元结果的预后模型的统计方法已经建立,但适用于生存结果的方法不太为人所知,并且需要灵敏度和特异性的时间依赖性扩展以充分表征纵向生物标志物或模型。我们回顾的方法是特别重要的,因为它们允许适当处理事件时间数据中常见的删失结果。我们强调的重要性,确定临床利益是在预测累积(或流行)的情况下,在一个固定的未来时间间隔与预测事件的情况下,在一系列的后续时间,以及患者信息是否是静态的或随时间更新。我们讨论了使用相关R统计软件包的时间依赖ROC方法的实现。统计总结说明使用肝脏预后模型,以指导移植在原发性胆汁性肝硬化。
2018-02-21 stat.ME
SurvHTE-Bench: A Benchmark for Heterogeneous Treatment Effect Estimation in Survival Analysis
Machine Learning Department & Heinz College Carnegie Mellon University(机器学习系及卡内基梅隆大学海因兹学院);Heinz College Carnegie Mellon University(卡内基梅隆大学海因兹学院);National Library of Medicine National Institutes of Health(国家医学图书馆国立卫生研究院)
SurvHTE-Bench是一个用于生存分析中异质治疗效应估计的首个综合基准测试,通过合成、半合成和现实数据集评估不同方法在复杂条件下的性能。
2026-03-05 cs.AI cs.LG stat.ML
A Flexible Joint Longitudinal-Survival Model for Analysis of End-Stage Renal Disease Data
我们提出了一个灵活的联合肿瘤生存框架,以检查纵向收集的生物标志物和事件发生时间终点之间的关联。更具体地说,我们使用我们的方法来分析终末期肾病患者的生存结果与时变血清白蛋白测量。我们提出的方法是强大的常见的参数假设,它避免了明确的分布假设的纵向措施,并允许受试者特定的基线风险的生存组成部分。进行完全联合估计以解释生存模型中包括的估计纵向生物标志物的不确定性。
2018-07-06 stat.AP
Survival analysis for AdVerse events with VarYing follow-up times (SAVVY): summary of findings and a roadmap for the future of safety analyses in clinical trials
SAVVY项目通过模拟和实证研究证明,在临床试验不良事件安全性分析中,采用Aalen-Johansen估计量并正确定义竞争事件是减少偏倚、改进证据分级的关键,并呼吁更新相关报告指南。
2024-02-27 stat.AP
Incorporating data drift to perform survival analysis on credit risk
Humboldt-Universität zu Berlin(柏林洪堡大学);Bucharest University of Economic Studies(布加勒斯特经济研究大学)
本文提出一种动态联合建模框架,通过整合纵向行为标记与离散时间危险公式,提升信用风险模型在数据漂移下的鲁棒性和准确性。
2026-08-03 cs.LG q-fin.RM stat.ML
Geographically Weighted Cox Regression for Prostate Cancer Survival Data in Louisiana
Cox比例风险模型是公共卫生研究中分析事件发生时间数据的最常用工具之一。当从不同地区的临床数据中观察到的结果产生与位置相关的变化模式时,研究协变量的空间变化效应通常非常有趣。在本文中,我们提出了一个地理加权Cox回归模型的稀疏空间生存数据。此外,在县一级引入了随机邻域加权方案。建议的地理加权估计的理论特性进行了详细研究。讨论了一种基于Takeuchi模型鲁棒信息准则(TIC)的模型选择方案。进行了广泛的模拟研究,以检查所提出的方法的经验性能。我们进一步应用所提出的方法来分析路易斯安那州的监测,流行病学和最终结果癌症登记处的前列腺癌的真实数据。
2019-08-24 stat.AP
Bayesian Survival Analysis Using the rstanarm R Package
生存数据在一系列学科中都会遇到,最明显的是健康和医学研究。虽然贝叶斯方法对生存数据的分析可以提供许多好处,但它们的使用不如经典方法(例如基于可能性的方法)广泛。这可能部分是由于相对缺乏用户友好的贝叶斯生存模型的实现。在这篇文章中,我们描述了如何使用rstanarm R包来拟合各种贝叶斯生存模型。rstanarm软件包通过提供一个用户友好的界面(用户使用习惯的R公式语法和数据框指定其模型)和使用Stan软件(一个用于贝叶斯推断的C++库)进行后端估计,促进贝叶斯回归建模。可以使用rstanarm估计的模型套件很广泛,包括广义线性模型(GLM),广义线性混合模型(GLM),广义加性模型(GAM)等。在本文中,我们只关注生存建模功能。这包括标准参数(指数,威布尔,Gompertz)和灵活的参数(样条)风险模型,以及标准参数加速失效时间(AFT)模型。允许所有类型的删失(左删失、右删失、区间删失),以及延迟录入(左截断)、时变协变量、时变效应和脆弱性效应。我们通过工作示例演示功能。我们预计这些实现将增加贝叶斯生存分析在应用研究中的应用。
2020-02-22 stat.CO stat.ME
A General Machine Learning Framework for Survival Analysis
LMU Munich(慕尼黑大学)
事件发生时间数据的建模,也称为生存分析,需要专门的方法,可以处理删失和截断,随时间变化的特征和影响,并扩展到多个竞争事件的设置。然而,许多用于生存分析的机器学习方法仅考虑右删失数据和比例风险假设的标准设置。提供扩展的方法通常最多解决这些挑战的一个子集,并且通常需要无法直接集成到标准机器学习工作流程中的专用软件。在这项工作中,我们提出了一个非常通用的机器学习框架的时间到事件的分析,使用数据增强策略,以减少复杂的生存任务,标准的泊松回归任务。这种重新表述是基于发达的统计理论。使用所提出的方法,可以优化泊松(对数)似然的任何算法,例如梯度提升树、深度神经网络、基于模型的提升等等,都可以在时间到事件分析的上下文中使用。所提出的技术不需要任何假设的事件时间的分布或功能形状的功能和相互作用的影响。基于所提出的框架,我们开发了新的方法,具有竞争力的专业国家的最先进的方法在准确性和多功能性方面,但相对较小的投资的编程工作或专业的方法学知识的要求。
2021-04-17 cs.LG stat.CO stat.ML
Semi-Structured Deep Piecewise Exponential Models
LMU Munich(慕尼黑大学)
我们提出了一个多功能的生存分析框架,结合了统计学和深度学习的先进概念。所提出的框架是基于分段指数模型,从而支持各种生存任务,如竞争风险和多状态建模,并进一步允许估计随时间变化的影响和随时间变化的功能。为了在模型中包含多个数据源和高阶交互效应,我们将模型类嵌入到神经网络中,从而能够同时估计固有的可解释结构化回归输入以及深度神经网络组件,这些组件可能会处理其他非结构化数据源。通过使用该框架基于表格和3D点云数据预测阿尔茨海默病进展并将其应用于合成数据来提供概念证明。
2021-03-01 cs.AI cs.LG stat.ML
Composite Survival Analysis: Learning with Auxiliary Aggregated Baselines and Survival Scores
University of York(约克大学)
本文提出复合生存分析框架,将模型解耦为聚合基线风险与独立生存评分,在无需微调或超参数优化的情况下动态处理右删失数据,并在多个真实数据集上达到与深度学习和 MCMC 方法相当的性能。
2023-12-10 cs.LG stat.ML
Deep Neural Networks for Survival Analysis Based on a Multi-Task Framework
Square, Inc.(Square公司)
生存分析/事件发生时间模型非常有用,因为它们可以帮助公司预测客户何时会购买产品、流失或拖欠贷款,从而帮助他们提高投资回报率。在本文中,我们介绍了一种新的方法来计算生存函数使用多任务逻辑斯谛回归(MTLR)模型作为其基础和深度学习架构作为其核心。基于一致性指数(C-index)和Brier评分,当发现非线性依赖性时,该方法在本文公开的所有实验中优于MTLR以及Cox比例风险(CoxPH)模型。
2018-01-17 cs.LG stat.ML
Survival Mixture Density Networks
New York University(纽约大学)
生存分析是一种时间-事件建模的艺术,在临床治疗决策中起着重要作用。最近,连续时间模型建立的神经常微分方程已经提出了生存分析。然而,由于神经常微分方程求解器的高计算复杂性,神经常微分方程的训练是缓慢的。在这里,我们提出了一种灵活的连续时间模型的有效替代方案,称为生存混合密度网络(生存MDN)。生存MDN将可逆正函数应用于混合密度网络(MDN)的输出。虽然MDN产生灵活的实值分布,但可逆正函数将模型映射到时域,同时保持易于处理的密度。使用四个数据集,我们表明,生存MDN表现更好,或类似于连续和离散时间基线的一致性,综合Brier评分和综合二项式对数似然。同时,生存MDN也比基于ODE的模型更快,并避免了离散模型中的分箱问题。
2022-08-23 cs.LG stat.ML
Ensemble-Based Survival Models with the Self-Attended Beran Estimator Predictions
Higher School of Artificial Intelligence Technologies(人工智能技术高等学院);Peter the Great St.Petersburg Polytechnic University(彼得大帝圣彼得堡工业大学)
针对集成生存模型因自助样本变化导致预测不稳定的问题,提出结合 Beran 估计器与自注意力机制的 SurvBESA,并通过 Huber 污染特例简化训练,实验显示其性能优于现有最先进模型。
2025-06-09 cs.LG stat.ML
DAGSurv: Directed Acyclic Graph Based Survival Analysis Using Deep Neural Networks
IIIT Delhi(德里印度信息技术学院);IIIT Guwahati(古瓦哈提印度信息技术学院)
观察性生存数据的因果结构提供了关于协变量与至事件发生时间之间关系的关键信息。我们从信息理论的信源编码参数的动机,并表明,将知识的有向无环图(DAG)可以是有益的,如果采用合适的源编码器。作为一个可能的源编码器在这种情况下,我们推导出一个变分推理为基础的条件变分自编码器的因果结构化生存预测,我们称之为DAGSurv。我们说明了DAGSurv在低维和高维合成数据集以及METABRIC和GBSG等真实数据集上的性能。我们证明了所提出的方法优于其他生存分析基线,如Cox比例风险,DeepSurv和Deephit,这些基线忽略了数据实体之间的潜在因果关系。
2021-11-02 cs.LG stat.ML
Deep Learning-Based Survival Analysis with Copula-Based Activation Functions for Multivariate Response Prediction
Statistics Discipline, Division of Science and Mathematics, University of Minnesota-Morris(明尼苏达州立大学莫里斯分校统计学系);EGADE Business School, Tecnológico de Monterrey(墨西哥蒙特雷技术学院EGADE商学院);Department of Statistics and Data Science, Pukyong National University(浦项国立大学统计学与数据科学系);Department of Management Information Systems, Dong-A University(东阿大学管理信息系)
本文提出将Copula激活函数与CNN-LSTM结合,用于处理高度相关且右删失的多变量生存数据,并通过模拟和乳腺癌数据验证其预测精度。
2025-07-19 cs.LG stat.ML
Group Sequential Sample Size for Comparing Two Survival Probabilities at a Specific Time Point
Duke University(杜克大学)
提出一种新方法,在固定和组序贯试验设计中同时确定检验两个生存概率的样本量,控制I类错误,适用于比例风险假设不成立或含新辅助治疗的随机试验。
2026-06-11 stat.ME
The Concordance Index decomposition: A measure for a deeper understanding of survival prediction models
Halmstad University(哈尔姆斯塔德大学);Lund University(隆德大学);RISE Research Institutes of Sweden(瑞典RISE研究院)
本文提出将 C-index 分解为事件间排序与事件-删失排序两项的加权调和平均,并结合 SurVED 与基准实验揭示深度学习模型在不同删失水平下更稳定的原因。
2024-01-20 cs.LG stat.ME stat.ML
Survival analysis for AdVerse events with VarYing follow-up times (SAVVY) -- estimation of adverse event risks
SAVVY项目通过比较Kaplan-Meier估计量、发生率比例和发生密度与Aalen-Johansen估计量,揭示忽略删失和竞争事件会导致不良事件风险估计偏倚,并建议以AJE作为金标准改进临床试验不良事件风险报告。
2020-08-18 stat.AP
Dynamic prediction and analysis based on restricted mean survival time in survival analysis with nonproportional hazards
在临床诊断和治疗过程中,限制平均生存时间(RMST)反映了患者在特定时间内的预期寿命,可作为一个适当的结局指标。然而,RMST仅计算随访开始后一段时间内患者的平均生存时间,可能无法准确描述患者预期寿命随时间的变化。预期寿命可以根据患者已经存活的时间进行调整,并定义为条件限制平均生存时间(cRMST)。在cRMST的基础上,通过引入时变协变量和时变效应协变量,可以建立动态RMST模型。我们分析了原发性胆汁性肝硬化(PBC)的研究数据,以说明使用的动态RMST模型。使用C指数和预测误差来评估预测性能。所提出的动态RMST模型,它可以探讨预后因素对生存时间的动态影响,具有更好的预测性能比RMST模型。三个PBC患者的例子被用来说明如何预测cRMST在不同的预测时间在随访期间的变化。基于cRMST的动态RMST模型的使用允许通过更新患者的个性化动态预期寿命来优化基于证据的决策。
2021-06-20 stat.AP stat.ME
Time-dependent mediators in survival analysis: Modelling direct and indirect effects with the additive hazards model
我们讨论了生存数据的因果中介分析,并提出了一种新的方法的基础上的加性风险模型。重点是动态的观点,即理解直接和间接影响如何随时间发展。因此,重要的是,我们允许一个随时间变化的中介。为了定义这种纵向生存环境中的直接和间接影响,我们采用了一种干预方法(Didelez(2018)),其中将治疗分为影响介质的一个方面和影响生存的另一个方面。一般来说,这导致了非参数g公式的一个版本(Robins(1986))。在本文中,我们证明了相结合的g-公式与添加剂的危害模型和一个连续的线性模型的中介过程中的结果在简单和可解释的表达的直接和间接的影响,相对生存以及累积的危害。我们的研究结果概括和形式化了动态路径分析方法(Fosen et al.(2006),Strohmaier et al.(2015))。一个应用程序的血压药物的临床试验数据。
2021-02-08 stat.ME
Capturing heterogeneous time-variation in covariate effects in non-proportional hazard regression models
本文提出一种基于分段指数加性混合模型与函数随机效应的新方法,用于捕捉协变量效应的异质性时变,并通过模拟和脑肿瘤案例验证其优越性。
2025-01-23 math.ST stat.ME stat.TH
Survival Concept-Based Learning Models
针对现有概念学习框架未覆盖生存分析任务的问题,提出SurvCBM和SurvRCM两种模型,结合概念学习与生存分析处理删失数据,实验证明SurvCBM性能更优且代码公开。
2025-02-09 cs.AI cs.LG stat.ML
Modeling left-truncated and right-censored survival data with longitudinal covariates
在生存数据建模中包括纵向协变量的医学随访研究激增。到目前为止,焦点主要集中在右删失的生存数据上。我们考虑生存数据,是左截断和右删失。左截断是一种常见的产生有偏样本的方法。对于涉及可观察的基线或时变协变量的情况,文献中已经解决了采样偏倚问题。然而,对于生存模型中存在纵向协变量的重要情况,问题仍然是开放的。联合似然方法已被证明在文献中提供了一种有效的方法来克服这些困难的右删失数据,但这种方法面临着大量的额外的挑战,在左截断的存在。因此,在这里,我们提出了一种替代的可能性,以克服这些困难,并表明在生存组件的回归系数可以无偏地和有效地估计。讨论了纵向分量的偏置问题。新的方法是通过模拟和多中心艾滋病队列研究的数据数值说明。
2012-09-24 math.ST stat.TH
HACSurv: A Hierarchical Copula-Based Approach for Survival Analysis with Dependent Competing Risks
Southeast University(东南大学);The University of Newcastle(纽卡斯尔大学)
本文提出 HACSurv,利用分层阿基米德 Copula 建模竞争风险与删失之间的相依结构,从而提升生存分布预测精度,并在合成和真实数据上验证了其优于现有方法。
2025-03-10 cs.LG stat.ME stat.ML
A Behavioral Scorecard Model Using Survival Analysis
National Yang Ming Chiao Tung University(国立阳明交通大学)
本文结合逻辑回归与生存分析,开发月度危险率模型,以捕捉时间变化的风险因素,提升信用风险评估的全面性。
2026-04-29 stat.AP
A maximum penalised likelihood approach for semiparametric accelerated failure time models with time-varying covariates and partly interval censoring
针对含时变协变量和部分区间删失数据的生存分析难题,提出一种基于高斯基函数和约束优化的最大惩罚似然半参数AFT模型拟合方法,并在模拟与晚期黑色素瘤临床试验中验证了其有效性。
2024-12-20 stat.ME
A time-varying bivariate copula joint model for longitudinal and time-to-event data
针对常规联合模型条件独立假设难验证的问题,提出含随机效应及时变二元Copula的联合模型,其参数估计对Copula误设稳健,生存概率预测性能更优,并应用于PBC数据。
2024-12-01 stat.ME
Survival Analysis via Ordinary Differential Equations
本文介绍了一个常微分方程(ODE)概念的生存分析。ODE概念不仅提供了一个统一的建模框架,更重要的是,还可以开发一个广泛适用的,可扩展的,易于实现的估计和推理过程。具体而言,ODE建模框架统一了许多现有的生存模型,如比例风险模型,线性变换模型,加速失效时间模型,和时变系数模型作为特例。所提出的框架的一般性作为一个广泛适用的估计程序的基础。作为一个说明性的例子,我们开发了一般半参数类的ODE模型的筛极大似然估计。与现有的估计方法相比,所提出的方法在计算可扩展性和数值稳定性方面具有优势。此外,为了解决由ODE概念引起的独特的理论挑战,我们建立了一个新的一般筛分M-定理捆绑参数,并表明所提出的筛分估计是一致的,渐近正态的,并达到半参数的效率界。在模拟研究和现实世界的数据例子中,所提出的估计的有限样本性能进行检查。
2021-12-05 math.ST stat.ME stat.TH
pammtools: Piece-wise exponential Additive Mixed Modeling tools
Munich Center for Machine Learning(慕尼黑机器学习中心);LMU Munich(慕尼黑大学)
本文介绍pammtools包,该包为分段指数加性混合模型(PAMMs)提供统一工作流下的全流程支持,可处理多种生存场景并实现多种关注量的置信区间计算。
2026-08-17 stat.CO
Including an infrequently measured time-dependent error-prone covariate in survival analyses: a simulation-based comparison of methods
本研究针对生存分析中随时间变化、测量有误差且观测间歇性的协变量问题,通过43种模拟场景比较五种分析方法,发现多重插补法和联合建模法表现较优,经典回归校准法因信息性截断应避免使用。
2025-02-22 stat.AP
SDPM: Survival Diffusion Probabilistic Model for Continuous-Time Survival Analysis
Peter the Great St.Petersburg Polytechnic University(彼得大帝圣彼得堡国立大学)
本文提出SDPM,一种用于连续时间生存分析的生成模型,通过去噪扩散模型建模生存结果的条件分布,避免了对事件时间分布的参数假设,并在变换的目标空间中使用标准化对数时间和连续高斯混合表示来表示删失指示符,从而在多个真实生存数据集上取得了竞争力的预测性能。
2026-05-21 cs.AI cs.LG stat.CO
Simulation-based assessment of a Bayesian survival model with flexible baseline hazard and time-dependent effects
本研究通过仿真评估基于M样条的灵活贝叶斯生存模型(survextrap R包),在肿瘤临床试验数据上验证其对复杂基线风险和时间效应拟合良好,并为模型选择及默认设置提供指导。
2025-03-27 stat.CO stat.ME
Analysis of dynamic restricted mean survival time based on pseudo-observations
针对静态RMST无法反映随时间变化的生存状况,提出基于伪观测的cRMST估计与检验方法,并构建动态RMST预测模型,模拟与实际数据验证其准确性和优越预测性能。
2023-06-24 stat.AP stat.ME
Ensemble methods for survival function estimation with time-varying covariates
生存数据随时间变化的协变量是常见的实践。如果相关,它们可以改进生存函数的估计。然而,传统的生存森林-条件推理森林,相对风险森林和随机生存森林-只容纳时不变的协变量。我们推广的条件推理和相对风险森林,允许随时间变化的协变量。我们还提出了一个总体框架,估计生存函数的存在下随时间变化的协变量。我们比较他们的性能与Cox模型和转换森林,适应这里,以适应随时间变化的协变量,通过全面的模拟研究,其中Kaplan-Meier估计作为基准,和性能进行比较,使用集成L2之间的差异真实和估计的生存函数。在一般情况下,性能的两个拟议的森林大大提高了Kaplan-Meier估计。考虑到所有其他因素,在比例风险(PH)设置下,最好的方法总是两个建议的森林之一,而在非PH设置下,它是适应的转换森林。K折交叉验证是一种有效的工具,在实践中选择的方法。
2022-06-03 stat.AP stat.ME stat.ML
FedPseudo: Pseudo value-based Deep Learning Models for Federated Survival Analysis
University of Maryland, Baltimore County(马里兰大学巴尔的摩县分校)
生存分析,时间事件分析,是一个重要的问题,在医疗保健,因为它有广泛的影响,病人和姑息治疗。许多生存分析方法都假设生存数据可以从一个医疗中心集中获得,或者通过多个中心的数据共享获得。然而,患者属性的敏感性和严格的隐私法律越来越禁止医疗保健数据的共享。为了应对这一挑战,研究界已经研究了使用联邦学习(FL)范式的分散训练和共享模型参数的解决方案。在本文中,我们研究利用FL进行生存分析的分布式医疗数据集。最近,流行的Cox比例风险(CPH)模型已适用于FL设置;然而,由于其线性和比例风险假设,CPH模型导致次优性能,特别是对于非线性,非iid和严重删失的生存数据集。为了克服现有联邦生存分析方法的挑战,我们利用深度学习模型的预测准确性和伪值的强大功能,提出了一种用于联邦生存分析(FSA)的基于伪值的深度学习模型FedPseudo。此外,我们介绍了一种新的方法,推导出的生存概率的伪值的FL设置,加快了伪值的计算。在合成数据集和真实世界数据集上进行的大量实验表明,我们基于伪值的FL框架与最佳集中训练的深度生存分析模型具有相似的性能。此外,我们提出的FL方法获得了最好的结果,为各种删失设置。
2022-07-12 cs.LG stat.ME
casebase: An Alternative Framework For Survival Analysis and Comparison of Event Rates
在至事件发生时间数据的流行病学研究中,临床医生和患者感兴趣的量是给定协变量特征的事件风险。然而,依赖于时间匹配或风险集抽样(包括Cox回归)的方法从似然表达式或估计函数中消除了基线风险。然后需要使用非参数方法单独估计基线危险。这导致难以解释的累积发病率的逐步估计。Hanley & Miettinen(2009)使用基于案例的抽样解释了如何使用逻辑斯谛回归估计参数风险函数。他们的方法自然会导致对时间上平滑的累积发病率的估计。在本文中,我们提出了案例库R包,一个全面的和灵活的工具包参数生存分析。我们描述了如何在更复杂的环境中使用基于案例的框架:竞争风险,随时间变化的曝光,和变量选择。我们的软件包还包括一系列广泛的可视化工具,以补充对事件发生时间数据的分析。我们通过四个不同的案例研究来说明所有这些功能。* 工代机构和监测组对这项工作作出了同等贡献。
2020-09-22 stat.ME
A Bayesian joint longitudinal-survival model with a latent stochastic process for intensive longitudinal data
本文针对密集纵向数据提出一种贝叶斯联合纵向-生存模型,通过 Ornstein-Uhlenbeck 随机过程提取时变潜在因子,并将其用于参数化风险模型以刻画事件风险,在戒烟 mHealth 数据中验证了模型性能。
2024-04-30 stat.ME
Instrumental variables estimation of exposure effects on a time-to-event response using structural cumulative survival models
使用工具变量来估计暴露对结果的影响在计量经济学中很流行,在流行病学中也越来越流行。这种日益普及的现象可能归因于观察性研究中工具变量的自然发生,这些研究通过设计或性质纳入了随机化元素(例如,基因的随机遗传)。工具变量估计暴露效应是建立连续的结果,并在一定程度上为二元结果。然而,由于删失和生存偏倚导致的并发症,它在很大程度上缺乏事件发生时间结局。在本文中,我们提出了一个新的建议下的一类结构累积生存模型,参数化的时间变化的影响,一个点暴露直接对规模的生存函数,这些模型基本上是等价的半参数变量的工具变量加性风险模型。我们提出了一类递归的工具变量估计这些暴露的影响,并推导出其大样本性质以及推理工具。我们在模拟研究中检查了所提出的方法的性能,并在孟德尔随机化研究中使用健康与退休研究的数据评估糖尿病对死亡率的影响。我们进一步使用所提出的方法来研究乳腺癌筛查对随后的乳腺癌死亡率的潜在益处。
2016-08-02 stat.ME
Characterizing quantile-varying covariate effects under the accelerated failure time model
Harvard T.H. Chan School of Public Health(哈佛大学陈曾熙公共卫生学院)
本文提出在加速失败时间模型下刻画分位数变化的协变量效应的框架,通过灵活回归结构和贝叶斯方法,实现对生存分位数效应的解释和估计。
2025-12-05 stat.ME
Joint modeling of geometric features of longitudinal process and discrete survival time measured on nested timescales: an application to fecundity studies
本文提出共享参数联合模型,在嵌套时间尺度上关联周期性纵向过程的几何特征与离散生存时间,并通过模拟及Oxford Conception Study的TTP数据分析验证其预测与关联评估能力。
2023-07-17 stat.AP stat.ME
Using Geographic Location-based Public Health Features in Survival Analysis
Missouri University of Science and Technology(密苏里科技大学)
本文提出将基于地理位置的公共卫生特征纳入生存分析模型,在SEER癌症数据集上显著提升了一致性指数,验证了该特征的有效性。
2023-04-16 cs.LG stat.AP
Ranked Set Sampling in Survival Analysis
University of Wisconsin–Madison(威斯康星大学麦迪逊分校)
本研究开发了适用于平衡RSS设计的统一生存分析框架,提出了基于排名的生存估计方法和推断工具,提升了在不完美排名和删失情况下的效率。
2025-12-27 stat.ME
Integrated Brier Score based Survival Cobra -- A regression based approach
IIT Guwahati(印度理工学院古瓦哈蒂分校)
最近,Goswami等人\cite{goswami2022concordance}介绍了两种新的组合回归策略的实现,以找到条件生存函数。本文使用基于回归的弱学习器,并提供了一个替代版本的组合回归策略(COBRA)集成使用集成Brier分数来预测条件生存函数。我们创建了一个新的预测器的基础上加权版本的所有机器的预测权重作为一个特定的功能规范化的综合Brier得分。在算法中,我们使用两种不同的范数(Frobenius范数和Sup范数)来提取邻近点。我们的实现也考虑了右删失数据。我们通过一些实际数据分析来说明所提出的算法。
2022-10-27 cs.AI cs.LG stat.AP
A fully likelihood-based approach to model survival data with crossing survival curves
比例风险(PH)、比例优势(PO)和加速失效时间(AFT)模型在不同的知识领域中被广泛应用于处理生存数据。尽管它们很受欢迎,但这些模型不适合处理具有交叉生存曲线的生存数据。Yang和Prentice(2005)提出了一种半参数双样本方法,在这里表示为YP模型,允许分析交叉生存曲线,并将PH和PO配置作为特殊情况。在一般的回归设置中,本工作提出了一个完全基于似然的方法来拟合YP模型。其主要思想是通过分段指数(PE)分布对基线风险进行建模。该方法具有半参数模型的灵活性和参数表示的易处理性。一个广泛的模拟研究开发,以评估所提出的模型的性能。此外,我们通过分析与癌症临床试验中招募的患者相关的生存时间来证明新方法的有用性。模拟结果表明,我们的模型表现良好,中等样本量在一般的回归设置。一个优越的性能也观察到相对于原来的YP模型设计的两个样本的情况下。
2019-10-06 stat.ME